1. 毕业设计（论文）的内容和要求
GMM是有限混合模型(Finite mixture model)，GMM模型的突出优点表现在:简明的机构、较少的模型参数、较高的拟合性能。近年，由于非高斯信号处理技术在整个现代信号处理领域中所占据的位置越来越重要，使得混合高斯概率密度建模技术也越来越受到关注。 GMM已经成为非常受欢迎的建模工具。它能够灵活、准确和精炼的描述特征空间的概率分布并使其具有良好的分辨能力。通过多个单高斯分布的线性组合，GMM可以用来描述任何复杂的概率分布模型。因此，作为一种建模模型，GMM模型在图像、医疗、语音、通信等信号处理领域被广泛用作一种典型的非高斯概率密度模型。
此课题利用高斯混合模型描述每一像素的灰度分布情况，并以具有最大适应度值的子模型作为当前分布模型来描述每一像素的特征;这么做会最大范围的提取不同纹理的像素特征。然后通过初始分类阶段和迭代分类阶段，将像素分类为前景或背景；这样做会把病态的纹理分成前景和背景。从而区别出网格纹理检测中出现不合格网格布。
主要要求：
剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！
2. 参考文献
[1] 徐红，牛秦洲.基于混合高斯模型的三马尔可夫场红外图像分割[J].激光与红外，2008, 38(11): 1177-1180.
[2] 土平波，蔡志明，刘旺锁.混合高斯概率密度模型参数的期望最大化估计[J].声学技术，2007, 26(3): 498-502.
[3] 刘鑫，刘辉，强振平，等混合高斯模型和帧间差分相融合的自适应背景模型[J]，中国图象图形学报，2008.13(4):729-734
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
